机器学习在纳米毒理学中的应用:批判性审查和视角
Yunchi Zhou1,2, Ying Wang1, Willie Peijnenburg3,4
1School of Materials Science and Engineering, Beihang University, Beijing 100191, China.
Environmental science & technology
|August 7, 2024
概括
开发准确的纳米材料毒性的in silico模型至关重要. 本次审查提供了一项工作流程和最佳实践,以加强预测模型,确保可靠的风险评估和安全的设计开发新纳米材料.
科学领域:
- 纳米材料安全性评估
- 计算毒理学计算毒理学
- 预测建模的预测建模.
背景情况:
- 纳米材料 (NM) 的生产和使用引发了健康和环境问题.
- 实验室毒性测试是昂贵的,缓慢的,并努力跟上新的NMs.
- 使用机器学习的in silico方法为预测NM毒性提供了一个有希望的替代方案.
研究的目的:
- 对纳米材料毒性的in silico预测模型的开发进行审查和增强.
- 通过数据策划,描述器选择和算法选择来提高模型的代表性和性能.
- 为开发可靠和可解释的NM毒性模型提供推的工作流程和最佳实践.
主要方法:
- 现有关于in silico NM毒性模型的文献的统计评估.
- 分析关键方面:数据集策划,描述符选择,任务类型,算法选择和模型评估.
- 确定该领域的挑战和未来前景.
主要成果:
- 现有的审查和经合组织指导方针为构建in silico NM模型提供了基础.
- 在模型的代表性和性能方面存在显著的改进空间.
- 机械解释是建立利益相关者对预测模型的信心的关键.
结论:
- 增强的in silico模型对于有效的风险评估和安全设计开发NMS至关重要.
- 结构化的工作流程和遵守最佳实践将导致更具预测性和可靠的模型.
- 未来的工作应该集中在改善模型的解释性和监管接受度上.
